北大計算機系黃鐵軍CCF-ADL講習班下篇：詳解神經形態計算與AI生物視覺前沿

雷鋒網按：2017 年 7 月 28-30 日，由 中國計算機學會（CCF）主辦的高端學術活動——中國計算機學會學科前沿講習班（CCF Advanced Disciplines Lectures，簡稱 ADL）第 81 期在北京中國科學院計算技術研究所舉辦。

本期講習班由北京大學計算機科學技術系主任，信息科學技術學院教授黃鐵軍主持，另有六名來自學界、業界的大牛，為現場百名學員講解了「類腦計算」相關的前沿與應用。雷鋒網亦來到現場聽講。

北京大學信息科學技術學院教授，計算機科學技術系主任，國家傑出青年科學基金獲得者，教育部長江學者特聘教授

黃鐵軍教授回顧計算機和人工智慧的發展，提出目前我們正處於神經形態計算類腦計算機的元年。以AI的誕生、製造強AI、繪製大腦地圖、神經形態計算、AI睜開眼睛為框架體系講解了類腦計算。黃鐵軍認為相比於Brain Inspired Computing（腦啟發的計算），Brain Like（仿腦）是取得突破的可行路線，是走向「強人工智慧」的必要階段，可能比「人工智慧」（人工設計出來的智能）和「認知科學」（理解思維的機理）更早實現。

雷鋒網對其演講全文進行了不改變原意的編輯，分為上下篇，上篇為《北大計算機系黃鐵軍CCF-ADL講習班上篇：從計算機發展史講解製造超人工智慧的正途——類腦計算》，此為下文。

我們不用靠認知科學去知道意識是什麼，神經科學才是實現強人工智慧的途徑，要把人類大腦畫出來，要搞清楚是什麼樣的結構產生了我們高級的智能。對於這樣一個複雜的系統，如果我們從結構從物質上去看的話，當然也很複雜，這個問題難度仍然很大。

大腦本身是一個信息處理的系統，是神經元和神經突觸在發揮作用。在這些層次，我們都是在看信息、信號，它的複雜度是有限的，而且是可以預期的時間之內，把它搞清楚的。但是它是一個動力學系統，因為大腦是沒有意識的，這個是問題複雜的地方。你不能只知道神經元怎麼連接的，一個照葫蘆畫瓢，僅僅畫一個形狀像，我們還要產生動力學，不產生動力學，最終是做不出智能意識的，所以這是這個問題真正難的地方。

因為到今天為止，實際上我們對大腦的解剖，去測量它的手段已經有了，現在是怎麼把這個任務變成在十年這樣一個尺度內完成的問題。人腦絕對不像我們一般想那樣的複雜。人腦是860億的神經元，其實200多億是我們的大腦皮層，200多億是高級智能的物理載體。這個皮層本身就像上面，這是很多的皺褶的結構，本身不是一個隨機的，是一個有規律，有結構的結構。具體來說，它是由1200萬個功能柱組成的，每一個功能柱是一萬個神經元左右，大家看到的把皮層展開之後，就像一面牆，這面牆上有很多磚組成的，每一個磚我們叫功能柱，磚內部的連接比較複雜，當然也比較有規律，不同的磚的連接是類似的，這面牆有這麼1200萬，不到200萬塊磚組成的。為什麼這麼去看這個結構？是因為將來你可以靠大量的晶元去並列來產生這個結構，但是晶元之間的連接和晶元內的連接也比較複雜。

在如何把大腦逆向描繪來方向，現在有很多進展，一個是華中科技大學駱清銘教授他們2010年發的一篇論文，獲得了2014年國家自然科學二等獎，他們突破了單細胞分辨的全腦顯微光學切片成像，右邊是一個小鼠的大腦，整個大腦是0.5立方厘米的大小，用樹脂固定、冷凍、切片，然後去掃描，去看神經元的連接。這個數據他們掃出來之後，就給了瑞士的人類大腦計劃。

這是上個月，我們北大的分子醫學所陳賀平院士他們做的，雙光子顯微鏡是基金委重大儀器項目的成果，這種新的儀器很小，成本比較低，現在它的解析度可以看清楚樹突和樹突棘的形態，生產過程還有神經元。類腦計算需要一群，要一定面積之內的這樣的神經網路圖譜。國家會投15億建一個平台，現在應該是初步定了北大牽頭建這個平台，當然北京市還要配套，幾十億要把這個系統建起來，建起來之後去掃描，去觀察這樣一個生物的對象。

系統建立後，根據加工能力我們大概需要五年能做出視網膜，十年把視皮層做出來。第二個，神經元的模型，我們搞人工神經網路的人，得有神經元的模型才能做人工神經網路的計算。但是生物神經元的工程是什麼？我們很多搞人工神經網路的人不知道，還有這麼精細的模型。所以如果有了結構，有了單元的模型，其實我們就可以構造一個網路了，一個逼近生物的神經網路了。所以從2005年開始，EPFL，瑞士聯邦理工學院洛桑的那個學院，他們一個組Markram做了一個模型，用了IBM的藍色基因，超級計算機上面，建了一個模型，這個模型是1萬個神經元，每一個神經元，用方程儘可能的逼近生物的真實。把這樣一個模型，在超級計算機算，觀察它接受刺激的情況下，這樣的網路會出現什麼現象，當時他們出現了Y振蕩現象，差不多40赫茲左右的振蕩，當然有網路，有這個神經脈衝在裡面，在裡面去循環就會產生振蕩，這個振蕩跟我們這個生物大腦是一樣的，我們都有腦電波，為什麼會有腦電波，因為你的神經網路裡面，有大量的神經脈衝在傳遞。傳遞過程中，有入口有循環，產生我們的腦電波，我們測腦波這種現象就是神經網路外顯出來的一種功能，我們活著我們就有腦電波，死了就沒有。這樣的網路同樣會產生腦電波，證明這個模擬已經接近生物的真實了。

他們在2015年的時候，發明了另外一篇論文，更精細了，0.3立方毫米的大鼠腦區，3萬多個神經元，800萬個連接，這樣一個更精細的模型，證明實際上用計算的這種模擬的方法是可以精準重現生物的信息處理功能的，實現了這樣一個目標。

歐洲列出來的13個方向，十幾個億歐元，一大幫人做。藍色部分就是我們信息相關的，神經信息學、大腦模擬、 高性能計算，因為為了做大規模，一定要有更高性能的平台。醫療信息學、神經形態計算、神經機器人，這都是我們說的類腦計算，或者是神經形態計算。

在2013年的歐洲計劃正式啟動是3月份，4月份美國大腦計劃提出來之後，也是很多部門參加，所以2014年的時候，NIH列了12年的規劃，大致來說，前五年研究新的技術，來探測大腦的結構，比如說列的核磁共振，電子、光學探針，功能性納米粒子、合成生物學，其實都是試圖畫大腦的圖譜。後五年，用這些技術把圖譜畫出來，像人類基因圖譜一樣，把人類的大腦圖譜畫出來，人類大腦的動態圖，靜態圖譜像地圖，我們百度地圖把城市的路網畫出來了，如果把路上跑的車，什麼地方的車流量大，什麼地方流量小，每輛車的位置，那就是動態圖譜。大腦也一樣，不僅僅是要搞清楚神經網路的連接，而且要知道不同的神經元之間傳遞的神經脈衝的數據。美國也有很多企業做的有九個研究領域，2025年，實際上是12年的一個計劃，大腦神經元、神經交織細胞類型的普查，創建大腦結構圖譜，開發新的技術，不一一念了。實際上就是要畫圖，要把大腦的地圖畫出來，花了很多錢。

四、神經形態計算

這不是我們學科的，但是沒有這個藍圖，你構造不出來強人工智慧的體系結構。從1943年人們就開始想，既然生物神經能做這個事，我們為什麼不用生物神經出發去做，去這麼做。但是那個時期的技術有限。所以在2015年春天的時候，那個時候國家要做十三五，從啟動的16個重大科技專項大概來說，這些方向已經有想法了。這個圖是2015年春天的時候，我們幫著起草了一些政府的規劃，規劃的一個示意圖，做類腦計算機或者神經形態計算，我們從信息的角度，我們該做一些什麼事。這個事今天來看，也還是對的。從下面要做神經形態器件，做人工神經元、神經突觸，基於他們做類腦處理器，都是為了聽起來容易明白你們到底要幹嘛，還叫它類似於CPU這種名字，本來不太準確，但是完全創造一個新詞，別人也不知道你幹什麼，所以稱為類腦處理器，做類腦計算機，這種計算機要有視聽感知、自主學習和自然會話這些一些高級的功能，現在計算機做不好，甚至於做不到，將來的計算機要能做到。為了做類能處理器要把生物神經系統的結構解析模擬，然後我們基於那個結構來做類腦處理器。

左邊是一條線，自底向上的方法，右邊說認知功能，儘管我個人偏左邊這樣一個思維方式，但是我們不能否定，自上而下基於功能的路線。如果認知科學能夠提供一定的認知功能的模型，改進現在的機器學習，做新的處理器，一樣會對後面的發展發揮作用。大致上就這麼九個方向，在9月1日作為北京市腦計劃兩大部分之一，對外公布了。後來在11月份的時候，人民日報有一個專版報道了北京這樣一件事，北京也北大、清華、科學院、北師大很多單位。所以大家剛才那個圖裡面每一塊，都有一個單位在做。從器件開始在做，當然一開始做項目，不可能說全面說上來做人腦，從一個一個點，往最終的目標在發展。這樣一個技術思路，本身不是新的，得到馬上會看到，因為研究三十年了。我們當成一個整體大家一起行動，做一些共同的事情。但是從一種政府的季度來說，還算有點提前的。在2個月之後，2015年10月29日，這個文件大家在網上可以下載的，美國能源部一個會議，會後出的一個報告，《神經形態計算：從材料到系統架構》，材料就是剛才說的做器件，系統架構就是非馮諾伊曼新的體系結構會是什麼樣，幾十頁的報告，大家可以從網上下載。但是從整體上，跟剛才講的體系是類似的，我們對這一塊，當時有描述，我就不展開了。

去年2016年斯坦福大學發布的人工智慧2030的報告裡面，對11個人工智慧的發展方向的預測，其中前面那幾個是目前很熱門的，大規模機器學習，基於大數據的大規模機器學習，深度學習，強化學習。報告裡面表述很清楚，深度學習對深度神經網路，已經對應用地平線帶來一輪衝擊，這個衝擊大家已經感覺到了。如果這些神經形態計算，硬體系統能出現的話，會帶來更大的衝擊波，這是他的一個判斷。所以下一波，基於神經形態計算的智能，會帶來社會的影響會更大。

其實有很多的學校、很多研究所都在做神經形態計算機，其中比較有代表性的有：德國海德堡大學，美國IBM公司，斯坦福大學和曼徹斯特大學。

總的來說，大家看到這張圖，實際上就是神經形態計算系統，在逐漸逼近大腦的過程，儘管現在都做了一定的簡化，規模上什麼都有很大的差距，但是去逼近這個生物大腦，人類已經邁出了很重要的一步，後面就是進一步逼近的問題。

IBM這件事因為媒體報道比較多，實際上大家可能都知道，IBM做了一個神經形態晶元。這是2014年7月份，他們在發表那一篇論文之前，做的媒體報道。當時的媒體，有這麼一句話，IBM的長遠目標是建立具有一百億個神經元和一百萬億突觸的神經突觸系統，能耗只有一千瓦，體積不到兩升。大家讀這句話，實際上要逼近人腦規模，人腦功耗是20、30瓦，這個系統是一千瓦，體積不到兩升，人腦就是這樣一個。從物理這種指標上，要逼近人腦，只有功耗比人腦大一些，一千瓦就是家裡的小空調，就是一千瓦，其實很低了。現在超級計算機，像天河二號，應該是有16兆瓦，每年的電費要幾個億的成本。但是我們等下看，天河二號與人腦還遠著呢。但是實際上，我剛才念這句話是2014年的報道，實際上這句話是推遲7年之後說出來的，因為這個目標早在2007年已經定下來了，只不過對媒體不敢說。因為他們做這個事，也做了很多年，從2004年開始醞釀做，到2014年，十年時間把晶元做出來，還是花了很多人力、物力，包括支持經費做出來。在這個過程中，我想讓大家看這個圖，其實不是拍腦袋說做一個晶元，就做一個晶元，背後有它背後的邏輯。所以你看圖裡面，老鼠的，這裡面小老鼠、大老鼠、貓、猴子、人腦都能看見，這是什麼東西？這是在超級計算機上做模擬，一開始的時候，在做晶元之前，都是IBM的超級計算機速度比較快，所以超算上在算，在模擬這個大腦，當然模擬的程度，就像剛才說的，可能神經元的模型不那麼精細，但是沿著這樣一條路線在做模擬，所以做了十年，到最後我要做晶元，為什麼必須做一個晶元？是這樣的，當時2007年，為了申請這個項目的時候，這個項目叫SyNAPSE，大家知道這是突觸的意思，但是實際上是縮寫，一個神經形態的自適應的、可塑性、可伸縮可擴展的電子系統，這麼羅嗦的一句話說到底就是一個電子大腦皮層，在2007年立項的時候，立的目標就是像人腦皮層一樣，做這麼一個電子實現，電子實現功能一千瓦。上面那個電子的一千瓦，下面人腦20瓦，單位面積內的神經突觸、神經元的數是一樣的，所以體積就一樣，是兩升。媒體那邊講2014年講的話，實際上講的是2007年申請這個項目的時候，定的一個目標。從2008年開始做，也給了不少錢，最後把這個晶元做出來。

為什麼要做這個晶元？其實是因為靠超級計算機模擬，是不可能解決大腦的這種傳導規模的模擬。IBM用的模型，大家看到是立體模型，是最簡單的一種，當然比我們人工神經網路用的MP模型要複雜一點，就是比較簡單的一種脈衝神經網路的模型。即便用這種簡單的模型，他們在2009年，超算上的一篇，當時那個系統叫皮層模擬器軟體，那個時候按照他們的估算，這個數是公開的，大家看，那時候做的是83分之1，人要1秒，它要83秒，模仿了4.5%的人腦，消耗了144T的內存，0.5pflops的計算量，換算一下，如果用天河二號，要把人腦規模實時的，不超過幾十赫茲的信息處理能力算出來的話，需要300台天河二號，神威天湖之光，也需要100台。所以電費就不夠，當然我們也沒有造出那麼多超算，儘管我們是第一，我們只有一台神威，要造100台神威，才能用一個簡化的模型，把人腦模擬出來。所以這就是我一開始說的，你用這個做研究的可以往下做，真要做到人腦規模，不是一條可行的路。中國再有錢，也不能為了模仿模擬大腦，造100台神威天河。

所以一定要做硬體，根據神經網路的需要做新的硬體，能逼近人腦這樣一個終極目標。這是TureNorth晶元，這個晶元上的神經網路，確實是脈衝神經網路，但是做了很多的簡化，這裡面也有一些比較創新的東西。比如一個神經元要跟幾千個神經元通訊，怎麼通訊？人腦是進化好了，連接都已經有專門的神經纖維在聯，很多就是神經纖維，不一定是我們的神經元。物理連接已經進化出來了，一個晶元怎麼做？所以一個晶元內，任何一個神經元都有可能跟其他幾千個神經元相聯，比如就設計了一個高速路由系統，晶元內的高速路由系統，使得最終當然希望剛才說的，每秒鐘比如一個神經元發幾十個脈衝，它都能實時送過去，類似於這樣，從晶元設計的技術上進行解決。這個已經實現了，把大量的晶元做成版，把大量的版拼在一起，做一個裝置，是希望它能像人腦一樣的同樣的信息處理能力，這是一個。然後就是歐洲的幾個項目，其中藍腦計劃我剛才說過了，是歐洲大腦計劃很重要的一個推動力。

Spinnaker是剛才說的英國系統，英國這個系統是用AARM做的，這個實際上是去年的，去年這個系統是50萬核，50萬個ARM核，模擬400M神經元和400B神經突觸的一個系統。五個機櫃具有這樣一個基礎能力。旋轉的輪胎是什麼東西？就是體系結構，在創造的就是說大家想還是剛才那樣一個問題，一個神經元要跟幾千個其他的神經元通訊，通訊是中間很關鍵一個問題，要速度，所謂的速度就是在這個地方，你能不能很高效的實現任意一個神經元跟幾千個神經元通訊，一旦設計一個，有效的結構，一個體系結構，因為像IBM的晶元是偏內的，高速的結構，Spinnaker每一個單元就是一個ARM的核，一個ARM處理器，處理器有64還是多少個核，這個核之間，每一個核去模擬神經元的話，要通訊，所以怎麼解決通訊協議，這是它的一個專利。論文裡面也都有報道，所以這樣一個環，這些核之間連接成蜂窩狀，最終形成這樣一個形狀，每個紅點就是它要發射神經脈衝了，向周邊傳遞下去。當然每一個神經元，你不可能連幾千個，但是能完成把這個信號傳遞過去，是它的獨特地方。

所以現在在歐洲這兩台機器，已經對外服務了，大家也可以訪問，然後我現在有一個神經計算的模型，我想用你的，可以用，但是不會給你開放那麼多基本資源，實驗一下還是可以做的。還有一個，剛才說神經元現在大家已經覺得沒有什麼好擔心的了，因為神經元的數量，是神經突觸數量的千分之一，所以真正大腦的複雜，物理形成構造是怎麼把神經突觸做出來。在尋找新的物理材料，構造新的器件，最有代表性的一種叫憶阻器，這個器件本身最初的設想，不是為了做神經形態計算的，是我們一個華人的科學家提出來一個想法，物理上有電阻、電容、電感，他是數學家，他說這個不完美，應該有第四種，他其了名字叫憶阻器。第四種是根據電流的變化會改變組織的一種器件，當時只是一個數學上的一個概念。但是在2008年的時候，找到了這種材料，具有這種特性。而這種特性，一方面可以改變組織，可以做存儲，很快你發現，它其實跟生物突觸的可塑性是類似的，所以後來就把它，很多人研究這種器件來做神經突觸。過去這些年，大概十來年突觸已經很熱了，很多學校和單位在做突觸。這種突觸，我大概給大家形象的描述一下，將來怎麼做是這樣的。這篇論文就是1971年提出來，這是2014年參加指導一個博士後寫的一篇論文《大腦是由憶阻器組成的》，大腦的這些百萬億突觸，是可以用憶阻器來實現。當然這麼一圖，不是電路，怎麼實現電路，實際上就是看這個圖。實際上突觸的實現，是電流生產的工藝來說，其實並不複雜。

是這樣，我們剛才說過神經元的數量要很少，相對於突觸來說是很少，所以神經元會在兩邊，一排神經元又一排神經元，關鍵是怎麼把神經元用物理的連接連接起來。所以這兩排神經元，橫豎的兩排神經元，先塗上一種材料，用現在光刻的手段，刻成一道道線，最終綠點部分就是一個一個，肯定不是圓的，你刻成什麼形態，就是什麼形態，那個形狀不重要，那個材料就可以，因為那個藍線相當於連接神經元的樹突和周突，那個綠的部分就是那一層材料，可以根據得出樹突上的信號傳遞，發生變化，就像神經突觸一樣的發生連接起來，強度會發生變化。所以用這樣一種物理材料，生產將來的電路，是沒有問題的。當然這種材料的穩定性，是不是能，首先從數學上，模型上是可以逼近生物的，但是穩定性、可靠性，還是要有更多的研究。這個方面我剛才說，國外有很多單位在做，國內也有很多單位在做，比如說北大、清華、南大、華中科大，都有很多組織再做，所以有十幾年的研究歷史，這個就是我們打一個想像的比方，就是新一代計算機的晶體管，晶體管就是剛才說的誰先做出來，誰能做的比較靠譜，真正變成未來產業的糧食，那就是未來的一個很重大的貢獻，中國還是不能落後的。

所以就是剛才說的，這樣一些系統、器件，甚至於剛才日本的火蠅全腦網路都畫出來了，這樣一些標誌性的事件，我們說去年我們可以在人類的歷史上，其實計算機正在進入一個新的紀元。這方面中國當然要做，所以前那麼兩三年，我經常到處去說，我們一定得做這個東西，當然北京市也給了不少支持，國家確實在布局。現在來看，我們中國已經進入了發展這樣一些，快速發展的過程。所以這是7月20日，新一代人工智慧國務院發的總體發展規劃裡面一張總圖，在網上可以下載規劃規划上沒有圖，國務院發文件不會帶插圖，不是教科書。實際上這張圖原來在裡面，只是發的時候，拿掉了。除了我們說的人工智慧我不展開，類腦智能理論、量子智能理論、高級機器學習其實都在裡面，在國家未來十幾年的發展過程中，這些東西都會作為很重要的內容進行支持。所以我們應該已經進入了，關於前面這一段，也有一些國際上的總結，大家今年的2月份，神經形態計算這一部分，我是寫的科普第三篇，大家通過計算機學會的第二期和公眾號多有，大家願意看的，可以再看一下。

我剛才講的這些東西都是國內外的進展，都不是我這個實驗室做的，我們下面講的，是實驗室做的一些東西，跟視覺相關的。

我們習以為常的視頻概念是24幀圖像，連續形成一種連續的感覺，計算機視覺也是基於視頻的。但是事實上這個事跟生物視覺距離很遠。電影能夠產生連續影像，是因為生物視覺有一個視覺暫留的現象。生物視覺接受真實世界的刺激，從來都是一個連續過程。類腦視覺像現在每秒鐘輸入30幀圖像，每幀圖像就像現在做的，表達每幀圖像這個方向去做。這個路子本身就是錯的，生物本來沒這樣做，沒有說一幅圖像， 兩幅、三幅圖像，根據圖像看差異然後還要分析這個光流，不是這樣的。生物系統從來得到的都是在最細的力度上，它的一個實時的連受刺激過程。

我們經常假定大腦信息處理的模型很複雜，實際上這種複雜性，有時候是自己給自己的一種假問題。在1978年的時候，美國科研院士提出來，其實大腦皮層處理信息的機制是一樣的，我們處理視覺、處理聽覺、處理觸覺，所有的在大腦皮層裡面作為一種信息處理的演算法，用計算機的演算法，或者具體模型是一樣的。但是對我們來說，視覺、聽覺觸覺是不一樣的，你看見、你聽見和你手燙這個感覺是不一樣的，但是大腦皮層接受的都是一樣，都是信號。

在感覺這樣一類，我們的智能上面，還有一些新的數據，要跟大家分享。一個是到底我們人作為一個生物體，我們感知世界，我們的結構，所有的智能歸根到底同樣是某種結構實現的，同樣是某種物質的載體去實現它的。對於感知來說，我們總共有300萬根神經，感知神經就是眼睛、耳朵、觸覺，剛才所有的這種感知，總共有300多萬根。其中每個眼睛背後有100多萬根，兩隻眼睛200多萬根，剩下的聽覺、味覺、觸覺、全身的皮膚，你能感覺到熱、冷、燙，各種的感覺總共100多萬根。眼睛為什麼是心靈之窗？因為入口佔了三分之二。所以我們信息的獲取，靠眼睛獲取了三分之二的信息量。如果我們的盲人，眼睛不接受信號了，視覺就沒有用了，沒有刺激了，就該怎麼辦怎麼辦？聽覺或者其他的感覺，就會利用那個皮層。所以盲人的手的敏感程度很高，因為那個視覺的中心部分還是做了觸覺的處理、聽覺的處理。所以他的耳朵很靈，之所以很靈，是因為更多的皮層用來做聽覺了。這也一定程度上解釋了剛才那個原理，皮層還是那個皮層，還接受不同的刺激，做不同感知的任務。背後的基理應該是一樣的，但是這個基理到底是什麼？這個事現在並沒有模型，比如像剛才說的，我們的眼睛接受光，光轉化成斯擺科，轉化成神經脈衝，通過每個眼睛100萬根神經纖維，送到V1，V1在後腦勺。到底我們當然就想知道，神經系統是怎麼來表達和編碼這個信息，這是視覺信息處理的基本問題。

但是光視覺系統消耗的能耗就是大腦的十分之一。所以睜開眼睛是花能量的，不是睜開眼睛說瞎話。睜開眼睛，你一天吃的飯為眼睛和視覺消耗掉了。所以有的時候，大家要閉目養神，別讓眼睛老在那睜著，歇一會兒，別在這轉化光、電，表達什麼了。閉目養神真的能養神，因為你省了十分之一的能量嘛。那到底這個眼睛從接受光刺激一直到最後，比如識別出物體，甚至做出於動作，過程的這些細節，當然這是生物視覺他們在研究，我就不一一去說了。我們想說什麼呢？到底這個生物視覺系統，怎麼來表示信息的？類腦計算，大腦可以做的東西很多，感知是其中的一部分，但是這一部分很重要，它是入口，入口怎麼表達信息，我們都不知道的話，後面的很多工作很難開展。我們北京市的支持下，想在這方面有所進展。

2010年的那篇論文講的，一般來說我們傳統上認為這個眼睛就像一個簡單的濾波器的樣子，對圖像進行濾波處理。實際上，事實上我們的眼睛做的事情比我們想像的要多的多。大家看這個論文的題目是《眼睛比科學家們相信的還要聰明》，實際上表達的信息的方法，絕對不是一個簡單的攝像頭。所以大家比如說現在熱門的無人駕駛，用一個攝像頭把自動駕駛解決了，確實做的很不錯。但是我們開車的時候，我們這個生物攝像頭，能力實際上是遠遠強於我們今天的攝像頭的。所以怎麼把這個生物的攝像頭這些智慧能用上，當然想製造背後的原理。他們能給出之前，還是回到剛才說的，現在告訴我們一些基本的原理，但是又不能告訴精細的定量的東西，那怎麼辦呢？在北京市的指示下，我們做了一些工作，僅僅是視覺系統最前面這一段，眼睛，視網膜到V1。

另外一個實皮層，那個實際上就是V1，大腦的最初級的那個區域，需要定量中心在做的，他們做了一個模型。但是這些都是在計算機上玩的，真正的生物的部分，是我們醫學部的薄老師在做，把猴子的視網膜摘下來，看它的神經網路結構。另外一個，是唐市明老師，長年累月，做了很多年，他的精神像上午說的，他不管這個，當然他也是結清，所以他也不著急說要怎麼樣。很多年觀察猴子的皮層，接受光刺激的時候會發生什麼。這是一個把猴子的視網膜摘出來之後，他們做的掃描，掃描完之後，這一層就是視網膜中精細視覺那一塊的神經網路，當然這個也是書面的原因，大概只能看到一個結構，一個大致的結構，一個環形的結構。那個一根一跟的纖維就是神經纖維，送神經信號的播報。這是標記各種各樣的細胞，不同的標記物，把它標記出來，然後把這個網路給顯示出來。然後再去做這個模型的進一步數據化，模型化，最後把這個結構搞清楚。

這個是剛才說的，觀察皮層，順便觀察這個皮層，這個是一個斷層。從在猴子看到一個視覺刺激的時候，從上到下一層一層的看哪些神經元發放的，哪個神經元和神經元之間，誰在傳遞信號，通過什麼樣的通道傳遞信號，就是做這個事。為了看這個東西，怎麼看？你要打開它，不打開它怎麼看，猴子背後實際上是打開的。但是大家不要擔心，打開是做了手術，做了麻醉，用透明罩子幫它罩上。所以把這一塊骨頭換成一個透明的玻璃，然後這個猴子照樣生活照樣吃東西，該玩玩，但是做實驗的時候你就得坐下，該喝水還是照樣喝水。就戴上顯微鏡看它，讓它看東西，看後面那個東西。外面看到的其實就是這樣的事情，這是一個陶樂天在做，他從2004年就開始做猴子視皮層的模擬，也做了幾十年了，留下了一些現象。時間關係，我就跳過去了。

我們這個組等會兒給大家演示的是做中央化的模擬，中央化模擬。就是精細視覺這一塊，我們為什麼關心這一塊？眼睛和剛才的視網膜很複雜，所以真正把視網膜做出來，最終大概需要至少五年的時間。我們現在只是把其中的精細識別，精細識別對識別信息編碼，我剛才講我們這個實驗是是編解碼國家工作實驗室，所以最關心的是我們研究看的時候，看清楚了，讓一個場景，是怎麼變化的。周邊對運動，對特殊一些形態的檢測，那些也要做，但是是放在後面來做。怎麼來做這個東西呢？就是回過頭來，還是回到神經中去。一個神經元長什麼樣，它的形態，這是剛才說的取下猴子視網膜去掃描，把三維的數據掃描，一個一個識別做出來，所以它長什麼形態。第二個做神經元的模型，就是上午說的方程，另外這個方程已經可以刻畫各種神經元的生命學行為，但是刻畫神經元行為和每一種神經元，具體在發生什麼，你的數學工具在那個地方，但是每種神經元有自己的特性，所以要調參數。調來調去，最近才能逼近給它一個電刺激，它能產生一種什麼樣的脈衝模式。這個參數調好了之後，就算這個神經元劃分出來了。為了做的精細，其實一個神經元不是一組方程式，把這個分成很多段，所以每個裡面，是一組方程組。所以一個神經元的計算代價是很高的，大概剛才說的一個CPU，至少一個核去算一個神經元。

黃鐵軍老師和其實驗室的博士生隨後對他們正在做的視覺系統解析項目做了演示。

本次課程為付費課程，2017年8月會在AI慕課學院獨家上線，原價 2500 元（CCF 會員）的線下課程現在限時特價 699 元預售，有興趣的學員戳：http://www.mooc.ai/course/114，或者掃描下圖二維碼觀看。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！